Courses in Data Science
Since 2010, Data Scene in Asia has really flourished. Awareness among working professionals, freshers and undergrads is on rising. Job opportunities is increasing at a great pace. All skills are basically divided into two categories, ones that can be learnt online and ones that can only be learnt in a classroom model. In my personal opinion you can learn how to play a guitar by following an online video, whereas having all the materials available online to become a doctor, you still cannot become a doctor watching videos. I personally equate Data Analytics with practitioner-centric profession like doctor etc.
As the program is more purpose focused on building domain knowledge whereas a course is more tool focused. Opting for a course is often seen to meet a short term goal because as the tools get updated your skill gets outdated.
You must have already googled and come across a plethora of institutes offering data analytics courses. Some are way expensive while some are reasonable. But, one very important thing to keep in mind while enrolling is to know the worth of it in terms of knowledge and what at the end of the course you are developing within yourself.
Some points to consider while choosing a program
Emphasis is more on practice and not just theory.
Project is based on industry-relevant problem statements and not the age-old assignments
Learnings and Projects are collaborative and performed in teams
You get real industry tools and focus is on test-driven development
What essential skills are required for becoming a data scientist?
A data scientist is required to do the following task—
Extract and clean data (using R/Python)
Analyze data using statistics
Present data using tools like Tableau
Build predictive models using machine learning algorithms
Depending on your experience and your skills, you can be required to do one or all of the above tasks. Plus, of course, your salary varies according to the responsibilities you are assigned. If you‘re doing all of the above tasks, you, are obviously paid the most. But, get your hopes high, as a beginner you are mostly required to extract data, clean it, and analyze it. While you gradually learn other things.
From the industry perspective, you need to have the following skills, to make a career in data science—
You should know R, Python.
Statistical analysis
Machine learning algorithms like Linear Regression, Logistical Regression, etc
In addition to these, if you learn to use tools like Rapid Miner, Tableau, etc getting a job is easier.
https://imarticus.org/data-science-prodegree/#certification
To accelerate your learning, even more, do make sure that you read books with doing courses with hands-on experience, including doing projects.
COURSERA:
Data Science Specialization - The Coursera Data Science Specialization will give you a fundamental understanding of data science with the R programming language
Machine Learning Specialization - In Coursera's Machine Learning Specialization, you'll gain the ability to utilize machine learning techniques to real-world problems. Python is the preferred language of choice in these courses. Since this specialization is geared towards Scientists and Software Developers wanting to branch into data science, you're expected to have programming experience and math skills.
Applied Data Science with Python Specialization - This specialization focuses primarily on working with machine learning through Python, and it gives a strong introduction to commonly used ML toolkits, like matplotlib, pandas, nltk, sci-kit-learn, and networks.
Statistics with R Specialization - You'll be learning how to use statistical inference, modeling, and visualization techniques in R to create analysis reports. By the end, you'll have a few portfolio projects to showcase your new data analytics skills.
Recommender Systems Specialization - Recommender Systems used to be a course in the Machine Learning Specialization, but now it's broken off into its own master series. You're going to learn both how to apply the most popular recommender algorithms and also what metrics to look at when deciding which algorithm to use.
Genomic Data Science Specialization - This course uses both Python and R and by the end of the course, you will understand how to analyze and interpret data.
Big Data Specialization - The Big Data Specialization will show you how to process, analyze, and interpret large amounts of complex data using the most recent big data tech, such as Hadoop and Spark.
Data Mining Specialization - In this course, you will learn how to recognize data patterns, retrieve and visualize data and apply algorithms to structured and unstructured data.
Data Analysis and Interpretation Specialization - This specialization focuses on bringing complete data beginners from knowing almost nothing to being able to answer questions about datasets using machine learning and predictive algorithms. This course is project-based.
Microsoft Also Offers a Professional Certification - Microsoft Professional Program Certificate in Data Science
Once you have learnt the skills, the next thing I would advise you to do is to work on projects and build your portfolio. The reason I am asking you to do this is because—-companies are hesitant to allow access to their data to freshers.

рдбाрдЯा рд╕ाрдЗंрд╕ рдоें рдкाрда्рдпрдХ्рд░рдо
2010 рдХे рдмाрдж рд╕े, рдПрд╢िрдпा рдоें рдбेрдЯा рджृрд╢्рдп рд╡ाрд╕्рддрд╡ рдоें рд╡िрдХрд╕िрдд рд╣ुрдЖ рд╣ै। рдХाрдордХाрдЬी рдкेрд╢ेрд╡рд░ों, рдл्рд░ेрд╢рд░्рд╕ рдФрд░ рдЕंрдбрд░рдЧाрд░्рдоेंрдЯ्рд╕ рдХे рдмीрдЪ рдЬाрдЧрд░ूрдХрддा рдмрдв़ рд░рд╣ी рд╣ै। рдиौрдХрд░ी рдХे рдЕрд╡рд╕рд░ рдмрдб़ी рддेрдЬी рд╕े рдмрдв़ рд░рд╣े рд╣ैं। рд╕рднी рдХौрд╢рд▓ рдоूрд▓ рд░ूрдк рд╕े рджो рд╢्рд░ेрдгिрдпों рдоें рд╡िрднाрдЬिрдд рд╣ैं, рдЬिрди्рд╣ें рдСрдирд▓ाрдЗрди рд╕ीрдЦा рдЬा рд╕рдХрддा рд╣ै рдФрд░ рдЬिрди्рд╣ें рдХेрд╡рд▓ рдХрдХ्рд╖ा рдоॉрдбрд▓ рдоें рд╕ीрдЦा рдЬा рд╕рдХрддा рд╣ै। рдоेрд░ी рдиिрдЬी рд░ाрдп рдоें рдЖрдк рдСрдирд▓ाрдЗрди рд╡ीрдбिрдпो рдХा рдкाрд▓рди рдХрд░рдХे рдЧिрдЯाрд░ рдмрдЬाрдиा рд╕ीрдЦ рд╕рдХрддे рд╣ैं, рдЬрдмрдХि рдбॉрдХ्рдЯрд░ рдмрдирдиे рдХे рд▓िрдП рдСрдирд▓ाрдЗрди рд╕рднी рд╕ाрдордЧ्рд░ी рдЙрдкрд▓рдм्рдз рд╣ोрдиे рдХे рдмाрд╡рдЬूрдж, рдЖрдк рдЕрднी рднी рд╡ीрдбिрдпो рджेрдЦрдиे рд╡ाрд▓े рдбॉрдХ्рдЯрд░ рдирд╣ीं рдмрди рд╕рдХрддे। рдоैं рд╡्рдпрдХ्рддिрдЧрдд рд░ूрдк рд╕े рдЪिрдХिрдд्рд╕рдХ рдЗрдд्рдпाрджि рдЬैрд╕े рдЪिрдХिрдд्рд╕рдХ-рдХेंрдж्рд░िрдд рдкेрд╢े рдХे рд╕ाрде рдбेрдЯा рдПрдиाрд▓िрдЯिрдХ्рд╕ рдХी рдмрд░ाрдмрд░ी рдХрд░рддा рд╣ूं।
рдЪूंрдХि рдХाрд░्рдпрдХ्рд░рдо рдЕрдзिрдХ рдЙрдж्рджेрд╢्рдп рдбोрдоेрди рдЬ्рдЮाрди рдХे рдиिрд░्рдоाрдг рдкрд░ рдХेंрдж्рд░िрдд рд╣ै, рдЬрдмрдХि рдПрдХ рдХोрд░्рд╕ рдЕрдзिрдХ рдЙрдкрдХрд░рдг рдХेंрдж्рд░िрдд рд╣ै। рдкाрда्рдпрдХ्рд░рдо рдХे рд▓िрдП рдЪрдпрди рдХрд░рдиा рдЕрдХ्рд╕рд░ рдПрдХ рд▓рдШु рдЕрд╡рдзि рдХे рд▓рдХ्рд╖्рдп рдХो рдкूрд░ा рдХрд░рдиे рдХे рд▓िрдП рджेрдЦा рдЬाрддा рд╣ै рдХ्рдпोंрдХि рдЬैрд╕े рд╣ी рдЙрдкрдХрд░рдг рдЕрдкрдбेрдЯ рд╣ोрддे рд╣ैं рдЖрдкрдХा рдХौрд╢рд▓ рдкुрд░ाрдиा рд╣ो рдЬाрддा рд╣ै।
рдЖрдк рдкрд╣рд▓े рд╕े рд╣ी googled рдФрд░ рдбेрдЯा рдПрдиाрд▓िрдЯिрдХ्рд╕ рдкाрда्рдпрдХ्рд░рдоों рдХी рдкेрд╢рдХрд╢ рдХрд░рдиे рд╡ाрд▓े рд╕ंрд╕्рдеाрдиों рдХे рдвेрд░ों рдоें рдЖрдП рд╣ोंрдЧे। рдХुрдЫ рддрд░ीрдХे рдорд╣ंрдЧे рд╣ैं рдЬрдмрдХि рдХुрдЫ рдЙрдЪिрдд рд╣ैं। рд▓ेрдХिрди, рдиाрдоांрдХрди рдХрд░рддे рд╕рдордп рдз्рдпाрди рд░рдЦрдиे рд╡ाрд▓ी рдПрдХ рдмрд╣ुрдд рд╣ी рдорд╣рдд्рд╡рдкूрд░्рдг рдмाрдд рдпрд╣ рд╣ै рдХि рдЬ्рдЮाрди рдХे рд╕ंрджрд░्рдн рдоें рдЗрд╕рдХे рдоूрд▓्рдп рдХो рдЬाрдирдиा рдФрд░ рдЖрдк рдЕрдкрдиे рднीрддрд░ рдЬो рдкाрда्рдпрдХ्рд░рдо рд╡िрдХрд╕िрдд рдХрд░ рд░рд╣े рд╣ैं, рдЙрд╕рдХे рдЕंрдд рдоें рдХ्рдпा рдХрд░рдиा рд╣ै।
рдПрдХ рдХाрд░्рдпрдХ्рд░рдо рдЪुрдирддे рд╕рдордп рдХुрдЫ рдмिंрджुрдУं рдкрд░ рд╡िрдЪाрд░ рдХрд░рдиा рдЪाрд╣िрдП
рдЬोрд░ рдЕрдн्рдпाрд╕ рдкрд░ рдЕрдзिрдХ рд╣ै рдФрд░ рди рдХेрд╡рд▓ рд╕िрдж्рдзांрдд рдкрд░।
рдкрд░िрдпोрдЬрдиा рдЙрдж्рдпोрдЧ-рд╕ंрдмंрдзिрдд рд╕рдорд╕्рдпा рдмрдпाрдиों рдкрд░ рдЖрдзाрд░िрдд рд╣ै рди рдХि рд╕рджिрдпों рдкुрд░ाрдиे рдЕрд╕ाрдЗрдирдоेंрдЯ्рд╕ рдкрд░
рд╢िрдХ्рд╖рдг рдФрд░ рдкрд░िрдпोрдЬрдиाрдПं рд╕рд╣рдпोрдЧी рд╣ैं рдФрд░ рдЯीрдоों рдоें рдк्рд░рджрд░्рд╢рди рдХिрдпा рдЬाрддा рд╣ै
рдЖрдкрдХो рд╡ाрд╕्рддрд╡िрдХ рдЙрдж्рдпोрдЧ рдЙрдкрдХрд░рдг рдоिрд▓рддे рд╣ैं рдФрд░ рдкрд░ीрдХ्рд╖рдг-рд╕ंрдЪाрд▓िрдд рд╡िрдХाрд╕ рдкрд░ рдз्рдпाрди рдХेंрдж्рд░िрдд рдХिрдпा рдЬाрддा рд╣ै
рдбेрдЯा рд╡ैрдЬ्рдЮाрдиिрдХ рдмрдирдиे рдХे рд▓िрдП рдХ्рдпा рдЖрд╡рд╢्рдпрдХ рдХौрд╢рд▓ рдЖрд╡рд╢्рдпрдХ рд╣ैं?
рдиिрдо्рдирд▓िрдЦिрдд рдХाрд░्рдп рдХрд░рдиे рдХे рд▓िрдП рдПрдХ рдбेрдЯा рд╡ैрдЬ्рдЮाрдиिрдХ рдХी рдЖрд╡рд╢्рдпрдХрддा рд╣ोрддी рд╣ै-
рдЕрд░्рдХ рдФрд░ рд╕्рд╡рдЪ्рдЫ рдбेрдЯा (рдЖрд░ / рдкाрдпрдерди рдХा рдЙрдкрдпोрдЧ рдХрд░рдХे)
рдЖंрдХрдб़ों рдХा рдЙрдкрдпोрдЧ рдХрд░рдХे рдбेрдЯा рдХा рд╡िрд╢्рд▓ेрд╖рдг рдХрд░ें
рдЭांрдХी рдЬैрд╕े рдЙрдкрдХрд░рдгों рдХा рдЙрдкрдпोрдЧ рдХрд░рдХे рд╡рд░्рддрдоाрди рдбेрдЯा
рдорд╢ीрди рд▓рд░्рдиिंрдЧ рдПрд▓्рдЧोрд░िрджрдо рдХा рдЙрдкрдпोрдЧ рдХрд░рдХे рдкूрд░्рд╡ाрдиुрдоाрди рдоॉрдбрд▓ рдмрдиाрдПं
рдЖрдкрдХे рдЕрдиुрднрд╡ рдФрд░ рдЖрдкрдХे рдХौрд╢рд▓ рдХे рдЖрдзाрд░ рдкрд░, рдЖрдкрдХो рдЙрдкрд░ोрдХ्рдд рд╕рднी рдХाрд░्рдпों рдоें рд╕े рдПрдХ рдпा рд╕рднी рдХाрд░्рдп рдХрд░рдиे рдХी рдЖрд╡рд╢्рдпрдХрддा рд╣ो рд╕рдХрддी рд╣ै। рдЗрд╕рдХे рдЕрд▓ाрд╡ा, рдиिрд╢्рдЪिрдд рд░ूрдк рд╕े, рдЖрдкрдХा рд╡ेрддрди рдЖрдкрдХे рдж्рд╡ाрд░ा рд╕ौंрдкी рдЧрдИ рдЬिрдо्рдоेрджाрд░िрдпों рдХे рдЕрдиुрд╕ाрд░ рднिрди्рди рд╣ोрддा рд╣ै। рдпрджि рдЖрдк рдЙрдкрд░ोрдХ्рдд рд╕рднी рдХाрд░्рдпों рдХो рдХрд░ рд░рд╣े рд╣ैं, рддो рдЖрдкрдХो рд╕्рдкрд╖्рдЯ рд░ूрдк рд╕े рд╕рдмрд╕े рдЕрдзिрдХ рднुрдЧрддाрди рдХिрдпा рдЬाрддा рд╣ै। рд▓ेрдХिрди, рдЕрдкрдиी рдЖрд╢ाрдУं рдХो рдЙрдЪ्рдЪ рдк्рд░ाрдк्рдд рдХрд░ें, рдПрдХ рд╢ुрд░ुрдЖрдд рдХे рд░ूрдк рдоें рдЖрдкрдХो рдЬ्рдпाрджाрддрд░ рдбेрдЯा рдиिрдХाрд▓рдиे, рдЙрд╕े рд╕ाрдл рдХрд░рдиे рдФрд░ рдЙрд╕рдХा рд╡िрд╢्рд▓ेрд╖рдг рдХрд░рдиे рдХी рдЖрд╡рд╢्рдпрдХрддा рд╣ोрддी рд╣ै। рдЬрдмрдХि рдЖрдк рдзीрд░े-рдзीрд░े рдЕрди्рдп рдЪीрдЬें рд╕ीрдЦрддे рд╣ैं।
рдЙрдж्рдпोрдЧ рдХे рджृрд╖्рдЯिрдХोрдг рд╕े, рдЖрдкрдХो рдбेрдЯा рд╡िрдЬ्рдЮाрди рдоें рдЕрдкрдиा рдХрд░िрдпрд░ рдмрдиाрдиे рдХे рд▓िрдП, рдиिрдо्рди рдХौрд╢рд▓ рд░рдЦрдиे рдХी рдЖрд╡рд╢्рдпрдХрддा рд╣ै-
рдЖрдкрдХो рдЖрд░, рдкाрдпрдерди рдХो рдЬाрдирдиा рдЪाрд╣िрдП।
рд╕ांрдЦ्рдпिрдХीрдп рд╡िрд╢्рд▓ेрд╖рдг
рдорд╢ीрди рд▓рд░्рдиिंрдЧ рдПрд▓्рдЧोрд░िрджрдо рдЬैрд╕े рд░ैрдЦिрдХ рдк्рд░рддिрдЧрдорди, рд▓ॉрдЬिрд╕्рдЯिрдХ рдк्рд░рддिрдЧрдорди, рдЖрджि
рдЗрдирдХे рдЕрддिрд░िрдХ्рдд, рдпрджि рдЖрдк рд░ैрдкिрдб рдоाрдЗрдирд░, рдЭांрдХी рдЖрджि рдЬैрд╕े рдЙрдкрдХрд░рдгों рдХा рдЙрдкрдпोрдЧ рдХрд░рдиा рд╕ीрдЦрддे рд╣ैं, рддो рдиौрдХрд░ी рдкाрдиा рдЖрд╕ाрди рд╣ो рдЬाрддा рд╣ै।
https://imarticus.org/data-science-prodegree/#certification
рдЕрдкрдиे рд╕ीрдЦрдиे рдоें рддेрдЬी рд▓ाрдиे рдХे рд▓िрдП, рдФрд░ рднी рдЕрдзिрдХ, рдпрд╣ рд╕ुрдиिрд╢्рдЪिрдд рдХрд░ें рдХि рдЖрдк рдк्рд░ोрдЬेрдХ्рдЯ्рд╕ рдХрд░рдиे рдХे рд╕ाрде-рд╕ाрде рд╣ाрдеों рд╕े рдЕрдиुрднрд╡ рдХे рд╕ाрде рдХोрд░्рд╕ рдХрд░ рд░рд╣े рд╣ैं।
Coursera:
рдбेрдЯा рд╕ाрдЗंрд╕ рд╕्рдкेрд╢рд▓ाрдЗрдЬेрд╢рди - рдХोрд░्рдЯेрд░ा рдбेрдЯा рд╕ाрдЗंрд╕ рд╕्рдкेрд╢рд▓ाрдЗрдЬ़ेрд╢рди рдЖрдкрдХो рдЖрд░ рдк्рд░ोрдЧ्рд░ाрдоिंрдЧ рднाрд╖ा рдХे рд╕ाрде рдбेрдЯा рд╕ाрдЗंрд╕ рдХी рдПрдХ рдмुрдиिрдпाрджी рд╕рдордЭ рджेрдЧा
рдорд╢ीрди рд▓рд░्рдиिंрдЧ рд╕्рдкेрд╢рд▓ाрдЗрдЬेрд╢рди - рдХौрд░рд╕ेрд░ा рдХी рдорд╢ीрди рд▓рд░्рдиिंрдЧ рд╕्рдкेрд╢рд▓ाрдЗрдЬेрд╢рди рдоें, рдЖрдк рдорд╢ीрди рд▓рд░्рдиिंрдЧ рддрдХрдиीрдХों рдХो рд╡ाрд╕्рддрд╡िрдХ рджुрдиिрдпा рдХी рд╕рдорд╕्рдпाрдУं рдХे рд▓िрдП рдЙрдкрдпोрдЧ рдХрд░рдиे рдХी рдХ्рд╖рдорддा рд╣ाрд╕िрд▓ рдХрд░ेंрдЧे। рдЗрди рдкाрда्рдпрдХ्рд░рдоों рдоें рдкрд╕ंрдж рдХी рдкрд╕ंрджीрджा рднाрд╖ा рдкाрдпрдерди рд╣ै। рдЪूंрдХि рдпрд╣ рд╡िрд╢ेрд╖рдЬ्рдЮрддा рд╡ैрдЬ्рдЮाрдиिрдХों рдФрд░ рд╕ॉрдл्рдЯрд╡ेрдпрд░ рдбेрд╡рд▓рдкрд░्рд╕ рдХे рд▓िрдП рддैрдпाрд░ рд╣ै, рдЬो рдбेрдЯा рд╡िрдЬ्рдЮाрди рдоें рд╢ाрдЦा рдХрд░рдиा рдЪाрд╣рддे рд╣ैं, рдЖрдкрдХो рдк्рд░ोрдЧ्рд░ाрдоिंрдЧ рдЕрдиुрднрд╡ рдФрд░ рдЧрдгिрдд рдХौрд╢рд▓ рдХी рдЙрдо्рдоीрдж рд╣ै।
рдкाрдпрдерди рд╕्рдкेрд╢рд▓ाрдЗрдЬेрд╢рди рдХे рд╕ाрде рдПрдк्рд▓ाрдЗрдб рдбेрдЯा рд╕ाрдЗंрд╕ - рдпрд╣ рд╡िрд╢ेрд╖рдЬ्рдЮрддा рдоुрдЦ्рдп рд░ूрдк рд╕े рдкाрдпрдерди рдХे рдоाрдз्рдпрдо рд╕े рдорд╢ीрди рд╕ीрдЦрдиे рдХे рд╕ाрде рдХाрдо рдХрд░рдиे рдкрд░ рдХेंрдж्рд░िрдд рд╣ै, рдФрд░ рдпрд╣ рдЖрдорддौрд░ рдкрд░ рдЗрд╕्рддेрдоाрд▓ рдХिрдП рдЬाрдиे рд╡ाрд▓े рдПрдордПрд▓ рдЯूрд▓рдХिрдЯ्рд╕, рдЬैрд╕े рдХि рдоेрдЯрдк्рд▓ोрдЯрд▓िрдм, рдкांрдбा, рдПрдирдПрд▓рдЯीрдХे, рд╡िрдЬ्рдЮाрди-рдХिрдЯ-рд▓рд░्рди рдФрд░ рдиेрдЯрд╡рд░्рдХ рдХा рдПрдХ рдордЬрдмूрдд рдкрд░िрдЪрдп рджेрддा рд╣ै।
R рд╡िрд╢ेрд╖рдЬ्рдЮрддा рдХे рд╕ाрде рдЖंрдХрдб़े - рдЖрдк рд╡िрд╢्рд▓ेрд╖рдг рд░िрдкोрд░्рдЯ рдмрдиाрдиे рдХे рд▓िрдП R рдоें рд╕ांрдЦ्рдпिрдХीрдп рдиिрд╖्рдХрд░्рд╖, рдоॉрдбрд▓िंрдЧ рдФрд░ рд╡िрдЬ़ुрдЕрд▓ाрдЗрдЬ़ेрд╢рди рддрдХрдиीрдХों рдХा рдЙрдкрдпोрдЧ рдХрд░рдиा рд╕ीрдЦेंрдЧे। рдЕंрдд рддрдХ, рдЖрдкрдХे рдкाрд╕ рдЕрдкрдиे рдирдП рдбेрдЯा рдПрдиाрд▓िрдЯिрдХ्рд╕ рдХौрд╢рд▓ рджिрдЦाрдиे рдХे рд▓िрдП рдХुрдЫ рдкोрд░्рдЯрдлोрд▓िрдпो рдк्рд░ोрдЬेрдХ्рдЯ рд╣ोंрдЧे।
рдЕрдиुрд╢ंрд╕िрдд рд╕िрд╕्рдЯрдо рд╡िрд╢ेрд╖рдЬ्рдЮрддा - рдорд╢ीрди рд╕ीрдЦрдиे рдХी рд╡िрд╢ेрд╖рдЬ्рдЮрддा рдоें рдПрдХ рдХोрд░्рд╕ рд╣ुрдЖ рдХрд░рддा рдеा, рд▓ेрдХिрди рдЕрдм рдпрд╣ рдЕрдкрдиी рдоाрд╕्рдЯрд░ рд╢्рд░ृंрдЦрд▓ा рдоें рдЯूрдЯ рдЧрдпा рд╣ै। рдЖрдк рджोрдиों рдХो рд╕рдмрд╕े рд▓ोрдХрдк्рд░िрдп рд╕िрдлाрд░िрд╢ рдХрд░рдиे рд╡ाрд▓े рдПрд▓्рдЧोрд░िрджрдо рдХो рд▓ाрдЧू рдХрд░рдиे рдХे рдмाрд░े рдоें рдЬाрдирдиे рдЬा рд░рд╣े рд╣ैं рдФрд░ рдпрд╣ рднी рддрдп рдХрд░рдиा рд╣ै рдХि рдХिрд╕ рдПрд▓्рдЧोрд░िрджрдо рдХा рдЙрдкрдпोрдЧ рдХрд░рддे рд╕рдордп рдпрд╣ рджेрдЦрдиा рд╣ै рдХि рдХ्рдпा рдоैрдЯ्рд░िрдХ्рд╕ рд╣ै।
рдЬीрдиोрдоिрдХ рдбेрдЯा рд╕ाрдЗंрд╕ рд╕्рдкेрд╢рд▓ाрдЗрдЬेрд╢рди - рдпрд╣ рдХोрд░्рд╕ рдкाрдпрдерди рдФрд░ рдЖрд░ рджोрдиों рдХा рдЙрдкрдпोрдЧ рдХрд░рддा рд╣ै рдФрд░ рдкाрда्рдпрдХ्рд░рдо рдХे рдЕंрдд рддрдХ, рдЖрдк рд╕рдордЭ рдЬाрдПंрдЧे рдХि рдбेрдЯा рдХा рд╡िрд╢्рд▓ेрд╖рдг рдФрд░ рд╡्рдпाрдЦ्рдпा рдХैрд╕े рдХрд░ें।
рдмिрдЧ рдбेрдЯा рд╕्рдкेрд╢рд▓ाрдЗрдЬ़ेрд╢рди - рдмिрдЧ рдбेрдЯा рд╕्рдкेрд╢рд▓ाрдЗрдЬ़ेрд╢рди рдЖрдкрдХो рджिрдЦाрдПрдЧा рдХि рдХैрд╕े рд╕рдмрд╕े рд╣ाрд▓ рдХे рдмрдб़े рдбेрдЯा рддрдХрдиीрдХ, рдЬैрд╕े рдХि Hadoop рдФрд░ Spark рдХा рдЙрдкрдпोрдЧ рдХрд░рдХे рдмрдб़ी рдоाрдд्рд░ा рдоें рдЬрдЯिрд▓ рдбेрдЯा рдХो рд╕ंрд╕ाрдзिрдд, рд╡िрд╢्рд▓ेрд╖рдг рдФрд░ рд╡्рдпाрдЦ्рдпा рдХрд░рдиा рд╣ै।
рдбेрдЯा рдоाрдЗрдиिंрдЧ рд╕्рдкेрд╢рд▓ाрдЗрдЬ़ेрд╢рди - рдЗрд╕ рдХोрд░्рд╕ рдоें, рдЖрдк рд╕ीрдЦेंрдЧे рдХि рдбेрдЯा рдкैрдЯрд░्рди рдХो рдХैрд╕े рдкрд╣рдЪाрдиा рдЬाрдП, рдбेрдЯा рдХो рдкुрдиः рдк्рд░ाрдк्рдд рдФрд░ рдХрд▓्рдкрдиा рдХрд░ें рдФрд░ рд╕ंрд░рдЪिрдд рдФрд░ рдЕрд╕ंрд░рдЪिрдд рдбेрдЯा рдкрд░ рдПрд▓्рдЧोрд░िрджрдо рд▓ाрдЧू рдХрд░ें।
рдбेрдЯा рдПрдиाрд▓िрд╕िрд╕ рдФрд░ рдЗंрдЯрд░рдк्рд░िрдЯेрд╢рди рд╕्рдкेрд╢рд▓ाрдЗрдЬ़ेрд╢рди - рдпрд╣ рд╕्рдкेрд╢рд▓ाрдЗрдЬ़ेрд╢рди рдбेрдЯा рдХा рдЙрдкрдпोрдЧ рдХрд░рдиे рд╡ाрд▓े рдбेрдЯा рдХे рдмाрд░े рдоें рд╕рд╡ाрд▓ों рдХे рдЬрд╡ाрдм рджेрдиे рдоें рд╕рдХ्рд╖рдо рд╣ोрдиे рд╕े рд▓рдЧрднрдЧ рдХुрдЫ рднी рдирд╣ीं рдЬाрдирдиे рд╕े рдкूрд░ा рдбेрдЯा рд╢ुрд░ुрдЖрддी рд▓ाрдиे рдкрд░ рдХेंрдж्рд░िрдд рд╣ै
Since 2010, Data Scene in Asia has really flourished. Awareness among working professionals, freshers and undergrads is on rising. Job opportunities is increasing at a great pace. All skills are basically divided into two categories, ones that can be learnt online and ones that can only be learnt in a classroom model. In my personal opinion you can learn how to play a guitar by following an online video, whereas having all the materials available online to become a doctor, you still cannot become a doctor watching videos. I personally equate Data Analytics with practitioner-centric profession like doctor etc.
As the program is more purpose focused on building domain knowledge whereas a course is more tool focused. Opting for a course is often seen to meet a short term goal because as the tools get updated your skill gets outdated.
You must have already googled and come across a plethora of institutes offering data analytics courses. Some are way expensive while some are reasonable. But, one very important thing to keep in mind while enrolling is to know the worth of it in terms of knowledge and what at the end of the course you are developing within yourself.
Some points to consider while choosing a program
Emphasis is more on practice and not just theory.
Project is based on industry-relevant problem statements and not the age-old assignments
Learnings and Projects are collaborative and performed in teams
You get real industry tools and focus is on test-driven development
What essential skills are required for becoming a data scientist?
A data scientist is required to do the following task—
Extract and clean data (using R/Python)
Analyze data using statistics
Present data using tools like Tableau
Build predictive models using machine learning algorithms
Depending on your experience and your skills, you can be required to do one or all of the above tasks. Plus, of course, your salary varies according to the responsibilities you are assigned. If you‘re doing all of the above tasks, you, are obviously paid the most. But, get your hopes high, as a beginner you are mostly required to extract data, clean it, and analyze it. While you gradually learn other things.
From the industry perspective, you need to have the following skills, to make a career in data science—
You should know R, Python.
Statistical analysis
Machine learning algorithms like Linear Regression, Logistical Regression, etc
In addition to these, if you learn to use tools like Rapid Miner, Tableau, etc getting a job is easier.
https://imarticus.org/data-science-prodegree/#certification
To accelerate your learning, even more, do make sure that you read books with doing courses with hands-on experience, including doing projects.
COURSERA:
Data Science Specialization - The Coursera Data Science Specialization will give you a fundamental understanding of data science with the R programming language
Machine Learning Specialization - In Coursera's Machine Learning Specialization, you'll gain the ability to utilize machine learning techniques to real-world problems. Python is the preferred language of choice in these courses. Since this specialization is geared towards Scientists and Software Developers wanting to branch into data science, you're expected to have programming experience and math skills.
Applied Data Science with Python Specialization - This specialization focuses primarily on working with machine learning through Python, and it gives a strong introduction to commonly used ML toolkits, like matplotlib, pandas, nltk, sci-kit-learn, and networks.
Statistics with R Specialization - You'll be learning how to use statistical inference, modeling, and visualization techniques in R to create analysis reports. By the end, you'll have a few portfolio projects to showcase your new data analytics skills.
Recommender Systems Specialization - Recommender Systems used to be a course in the Machine Learning Specialization, but now it's broken off into its own master series. You're going to learn both how to apply the most popular recommender algorithms and also what metrics to look at when deciding which algorithm to use.
Genomic Data Science Specialization - This course uses both Python and R and by the end of the course, you will understand how to analyze and interpret data.
Big Data Specialization - The Big Data Specialization will show you how to process, analyze, and interpret large amounts of complex data using the most recent big data tech, such as Hadoop and Spark.
Data Mining Specialization - In this course, you will learn how to recognize data patterns, retrieve and visualize data and apply algorithms to structured and unstructured data.
Data Analysis and Interpretation Specialization - This specialization focuses on bringing complete data beginners from knowing almost nothing to being able to answer questions about datasets using machine learning and predictive algorithms. This course is project-based.
Microsoft Also Offers a Professional Certification - Microsoft Professional Program Certificate in Data Science
Once you have learnt the skills, the next thing I would advise you to do is to work on projects and build your portfolio. The reason I am asking you to do this is because—-companies are hesitant to allow access to their data to freshers.

рдбाрдЯा рд╕ाрдЗंрд╕ рдоें рдкाрда्рдпрдХ्рд░рдо
2010 рдХे рдмाрдж рд╕े, рдПрд╢िрдпा рдоें рдбेрдЯा рджृрд╢्рдп рд╡ाрд╕्рддрд╡ рдоें рд╡िрдХрд╕िрдд рд╣ुрдЖ рд╣ै। рдХाрдордХाрдЬी рдкेрд╢ेрд╡рд░ों, рдл्рд░ेрд╢рд░्рд╕ рдФрд░ рдЕंрдбрд░рдЧाрд░्рдоेंрдЯ्рд╕ рдХे рдмीрдЪ рдЬाрдЧрд░ूрдХрддा рдмрдв़ рд░рд╣ी рд╣ै। рдиौрдХрд░ी рдХे рдЕрд╡рд╕рд░ рдмрдб़ी рддेрдЬी рд╕े рдмрдв़ рд░рд╣े рд╣ैं। рд╕рднी рдХौрд╢рд▓ рдоूрд▓ рд░ूрдк рд╕े рджो рд╢्рд░ेрдгिрдпों рдоें рд╡िрднाрдЬिрдд рд╣ैं, рдЬिрди्рд╣ें рдСрдирд▓ाрдЗрди рд╕ीрдЦा рдЬा рд╕рдХрддा рд╣ै рдФрд░ рдЬिрди्рд╣ें рдХेрд╡рд▓ рдХрдХ्рд╖ा рдоॉрдбрд▓ рдоें рд╕ीрдЦा рдЬा рд╕рдХрддा рд╣ै। рдоेрд░ी рдиिрдЬी рд░ाрдп рдоें рдЖрдк рдСрдирд▓ाрдЗрди рд╡ीрдбिрдпो рдХा рдкाрд▓рди рдХрд░рдХे рдЧिрдЯाрд░ рдмрдЬाрдиा рд╕ीрдЦ рд╕рдХрддे рд╣ैं, рдЬрдмрдХि рдбॉрдХ्рдЯрд░ рдмрдирдиे рдХे рд▓िрдП рдСрдирд▓ाрдЗрди рд╕рднी рд╕ाрдордЧ्рд░ी рдЙрдкрд▓рдм्рдз рд╣ोрдиे рдХे рдмाрд╡рдЬूрдж, рдЖрдк рдЕрднी рднी рд╡ीрдбिрдпो рджेрдЦрдиे рд╡ाрд▓े рдбॉрдХ्рдЯрд░ рдирд╣ीं рдмрди рд╕рдХрддे। рдоैं рд╡्рдпрдХ्рддिрдЧрдд рд░ूрдк рд╕े рдЪिрдХिрдд्рд╕рдХ рдЗрдд्рдпाрджि рдЬैрд╕े рдЪिрдХिрдд्рд╕рдХ-рдХेंрдж्рд░िрдд рдкेрд╢े рдХे рд╕ाрде рдбेрдЯा рдПрдиाрд▓िрдЯिрдХ्рд╕ рдХी рдмрд░ाрдмрд░ी рдХрд░рддा рд╣ूं।
рдЪूंрдХि рдХाрд░्рдпрдХ्рд░рдо рдЕрдзिрдХ рдЙрдж्рджेрд╢्рдп рдбोрдоेрди рдЬ्рдЮाрди рдХे рдиिрд░्рдоाрдг рдкрд░ рдХेंрдж्рд░िрдд рд╣ै, рдЬрдмрдХि рдПрдХ рдХोрд░्рд╕ рдЕрдзिрдХ рдЙрдкрдХрд░рдг рдХेंрдж्рд░िрдд рд╣ै। рдкाрда्рдпрдХ्рд░рдо рдХे рд▓िрдП рдЪрдпрди рдХрд░рдиा рдЕрдХ्рд╕рд░ рдПрдХ рд▓рдШु рдЕрд╡рдзि рдХे рд▓рдХ्рд╖्рдп рдХो рдкूрд░ा рдХрд░рдиे рдХे рд▓िрдП рджेрдЦा рдЬाрддा рд╣ै рдХ्рдпोंрдХि рдЬैрд╕े рд╣ी рдЙрдкрдХрд░рдг рдЕрдкрдбेрдЯ рд╣ोрддे рд╣ैं рдЖрдкрдХा рдХौрд╢рд▓ рдкुрд░ाрдиा рд╣ो рдЬाрддा рд╣ै।
рдЖрдк рдкрд╣рд▓े рд╕े рд╣ी googled рдФрд░ рдбेрдЯा рдПрдиाрд▓िрдЯिрдХ्рд╕ рдкाрда्рдпрдХ्рд░рдоों рдХी рдкेрд╢рдХрд╢ рдХрд░рдиे рд╡ाрд▓े рд╕ंрд╕्рдеाрдиों рдХे рдвेрд░ों рдоें рдЖрдП рд╣ोंрдЧे। рдХुрдЫ рддрд░ीрдХे рдорд╣ंрдЧे рд╣ैं рдЬрдмрдХि рдХुрдЫ рдЙрдЪिрдд рд╣ैं। рд▓ेрдХिрди, рдиाрдоांрдХрди рдХрд░рддे рд╕рдордп рдз्рдпाрди рд░рдЦрдиे рд╡ाрд▓ी рдПрдХ рдмрд╣ुрдд рд╣ी рдорд╣рдд्рд╡рдкूрд░्рдг рдмाрдд рдпрд╣ рд╣ै рдХि рдЬ्рдЮाрди рдХे рд╕ंрджрд░्рдн рдоें рдЗрд╕рдХे рдоूрд▓्рдп рдХो рдЬाрдирдиा рдФрд░ рдЖрдк рдЕрдкрдиे рднीрддрд░ рдЬो рдкाрда्рдпрдХ्рд░рдо рд╡िрдХрд╕िрдд рдХрд░ рд░рд╣े рд╣ैं, рдЙрд╕рдХे рдЕंрдд рдоें рдХ्рдпा рдХрд░рдиा рд╣ै।
рдПрдХ рдХाрд░्рдпрдХ्рд░рдо рдЪुрдирддे рд╕рдордп рдХुрдЫ рдмिंрджुрдУं рдкрд░ рд╡िрдЪाрд░ рдХрд░рдиा рдЪाрд╣िрдП
рдЬोрд░ рдЕрдн्рдпाрд╕ рдкрд░ рдЕрдзिрдХ рд╣ै рдФрд░ рди рдХेрд╡рд▓ рд╕िрдж्рдзांрдд рдкрд░।
рдкрд░िрдпोрдЬрдиा рдЙрдж्рдпोрдЧ-рд╕ंрдмंрдзिрдд рд╕рдорд╕्рдпा рдмрдпाрдиों рдкрд░ рдЖрдзाрд░िрдд рд╣ै рди рдХि рд╕рджिрдпों рдкुрд░ाрдиे рдЕрд╕ाрдЗрдирдоेंрдЯ्рд╕ рдкрд░
рд╢िрдХ्рд╖рдг рдФрд░ рдкрд░िрдпोрдЬрдиाрдПं рд╕рд╣рдпोрдЧी рд╣ैं рдФрд░ рдЯीрдоों рдоें рдк्рд░рджрд░्рд╢рди рдХिрдпा рдЬाрддा рд╣ै
рдЖрдкрдХो рд╡ाрд╕्рддрд╡िрдХ рдЙрдж्рдпोрдЧ рдЙрдкрдХрд░рдг рдоिрд▓рддे рд╣ैं рдФрд░ рдкрд░ीрдХ्рд╖рдг-рд╕ंрдЪाрд▓िрдд рд╡िрдХाрд╕ рдкрд░ рдз्рдпाрди рдХेंрдж्рд░िрдд рдХिрдпा рдЬाрддा рд╣ै
рдбेрдЯा рд╡ैрдЬ्рдЮाрдиिрдХ рдмрдирдиे рдХे рд▓िрдП рдХ्рдпा рдЖрд╡рд╢्рдпрдХ рдХौрд╢рд▓ рдЖрд╡рд╢्рдпрдХ рд╣ैं?
рдиिрдо्рдирд▓िрдЦिрдд рдХाрд░्рдп рдХрд░рдиे рдХे рд▓िрдП рдПрдХ рдбेрдЯा рд╡ैрдЬ्рдЮाрдиिрдХ рдХी рдЖрд╡рд╢्рдпрдХрддा рд╣ोрддी рд╣ै-
рдЕрд░्рдХ рдФрд░ рд╕्рд╡рдЪ्рдЫ рдбेрдЯा (рдЖрд░ / рдкाрдпрдерди рдХा рдЙрдкрдпोрдЧ рдХрд░рдХे)
рдЖंрдХрдб़ों рдХा рдЙрдкрдпोрдЧ рдХрд░рдХे рдбेрдЯा рдХा рд╡िрд╢्рд▓ेрд╖рдг рдХрд░ें
рдЭांрдХी рдЬैрд╕े рдЙрдкрдХрд░рдгों рдХा рдЙрдкрдпोрдЧ рдХрд░рдХे рд╡рд░्рддрдоाрди рдбेрдЯा
рдорд╢ीрди рд▓рд░्рдиिंрдЧ рдПрд▓्рдЧोрд░िрджрдо рдХा рдЙрдкрдпोрдЧ рдХрд░рдХे рдкूрд░्рд╡ाрдиुрдоाрди рдоॉрдбрд▓ рдмрдиाрдПं
рдЖрдкрдХे рдЕрдиुрднрд╡ рдФрд░ рдЖрдкрдХे рдХौрд╢рд▓ рдХे рдЖрдзाрд░ рдкрд░, рдЖрдкрдХो рдЙрдкрд░ोрдХ्рдд рд╕рднी рдХाрд░्рдпों рдоें рд╕े рдПрдХ рдпा рд╕рднी рдХाрд░्рдп рдХрд░рдиे рдХी рдЖрд╡рд╢्рдпрдХрддा рд╣ो рд╕рдХрддी рд╣ै। рдЗрд╕рдХे рдЕрд▓ाрд╡ा, рдиिрд╢्рдЪिрдд рд░ूрдк рд╕े, рдЖрдкрдХा рд╡ेрддрди рдЖрдкрдХे рдж्рд╡ाрд░ा рд╕ौंрдкी рдЧрдИ рдЬिрдо्рдоेрджाрд░िрдпों рдХे рдЕрдиुрд╕ाрд░ рднिрди्рди рд╣ोрддा рд╣ै। рдпрджि рдЖрдк рдЙрдкрд░ोрдХ्рдд рд╕рднी рдХाрд░्рдпों рдХो рдХрд░ рд░рд╣े рд╣ैं, рддो рдЖрдкрдХो рд╕्рдкрд╖्рдЯ рд░ूрдк рд╕े рд╕рдмрд╕े рдЕрдзिрдХ рднुрдЧрддाрди рдХिрдпा рдЬाрддा рд╣ै। рд▓ेрдХिрди, рдЕрдкрдиी рдЖрд╢ाрдУं рдХो рдЙрдЪ्рдЪ рдк्рд░ाрдк्рдд рдХрд░ें, рдПрдХ рд╢ुрд░ुрдЖрдд рдХे рд░ूрдк рдоें рдЖрдкрдХो рдЬ्рдпाрджाрддрд░ рдбेрдЯा рдиिрдХाрд▓рдиे, рдЙрд╕े рд╕ाрдл рдХрд░рдиे рдФрд░ рдЙрд╕рдХा рд╡िрд╢्рд▓ेрд╖рдг рдХрд░рдиे рдХी рдЖрд╡рд╢्рдпрдХрддा рд╣ोрддी рд╣ै। рдЬрдмрдХि рдЖрдк рдзीрд░े-рдзीрд░े рдЕрди्рдп рдЪीрдЬें рд╕ीрдЦрддे рд╣ैं।
рдЙрдж्рдпोрдЧ рдХे рджृрд╖्рдЯिрдХोрдг рд╕े, рдЖрдкрдХो рдбेрдЯा рд╡िрдЬ्рдЮाрди рдоें рдЕрдкрдиा рдХрд░िрдпрд░ рдмрдиाрдиे рдХे рд▓िрдП, рдиिрдо्рди рдХौрд╢рд▓ рд░рдЦрдиे рдХी рдЖрд╡рд╢्рдпрдХрддा рд╣ै-
рдЖрдкрдХो рдЖрд░, рдкाрдпрдерди рдХो рдЬाрдирдиा рдЪाрд╣िрдП।
рд╕ांрдЦ्рдпिрдХीрдп рд╡िрд╢्рд▓ेрд╖рдг
рдорд╢ीрди рд▓рд░्рдиिंрдЧ рдПрд▓्рдЧोрд░िрджрдо рдЬैрд╕े рд░ैрдЦिрдХ рдк्рд░рддिрдЧрдорди, рд▓ॉрдЬिрд╕्рдЯिрдХ рдк्рд░рддिрдЧрдорди, рдЖрджि
рдЗрдирдХे рдЕрддिрд░िрдХ्рдд, рдпрджि рдЖрдк рд░ैрдкिрдб рдоाрдЗрдирд░, рдЭांрдХी рдЖрджि рдЬैрд╕े рдЙрдкрдХрд░рдгों рдХा рдЙрдкрдпोрдЧ рдХрд░рдиा рд╕ीрдЦрддे рд╣ैं, рддो рдиौрдХрд░ी рдкाрдиा рдЖрд╕ाрди рд╣ो рдЬाрддा рд╣ै।
https://imarticus.org/data-science-prodegree/#certification
рдЕрдкрдиे рд╕ीрдЦрдиे рдоें рддेрдЬी рд▓ाрдиे рдХे рд▓िрдП, рдФрд░ рднी рдЕрдзिрдХ, рдпрд╣ рд╕ुрдиिрд╢्рдЪिрдд рдХрд░ें рдХि рдЖрдк рдк्рд░ोрдЬेрдХ्рдЯ्рд╕ рдХрд░рдиे рдХे рд╕ाрде-рд╕ाрде рд╣ाрдеों рд╕े рдЕрдиुрднрд╡ рдХे рд╕ाрде рдХोрд░्рд╕ рдХрд░ рд░рд╣े рд╣ैं।
Coursera:
рдбेрдЯा рд╕ाрдЗंрд╕ рд╕्рдкेрд╢рд▓ाрдЗрдЬेрд╢рди - рдХोрд░्рдЯेрд░ा рдбेрдЯा рд╕ाрдЗंрд╕ рд╕्рдкेрд╢рд▓ाрдЗрдЬ़ेрд╢рди рдЖрдкрдХो рдЖрд░ рдк्рд░ोрдЧ्рд░ाрдоिंрдЧ рднाрд╖ा рдХे рд╕ाрде рдбेрдЯा рд╕ाрдЗंрд╕ рдХी рдПрдХ рдмुрдиिрдпाрджी рд╕рдордЭ рджेрдЧा
рдорд╢ीрди рд▓рд░्рдиिंрдЧ рд╕्рдкेрд╢рд▓ाрдЗрдЬेрд╢рди - рдХौрд░рд╕ेрд░ा рдХी рдорд╢ीрди рд▓рд░्рдиिंрдЧ рд╕्рдкेрд╢рд▓ाрдЗрдЬेрд╢рди рдоें, рдЖрдк рдорд╢ीрди рд▓рд░्рдиिंрдЧ рддрдХрдиीрдХों рдХो рд╡ाрд╕्рддрд╡िрдХ рджुрдиिрдпा рдХी рд╕рдорд╕्рдпाрдУं рдХे рд▓िрдП рдЙрдкрдпोрдЧ рдХрд░рдиे рдХी рдХ्рд╖рдорддा рд╣ाрд╕िрд▓ рдХрд░ेंрдЧे। рдЗрди рдкाрда्рдпрдХ्рд░рдоों рдоें рдкрд╕ंрдж рдХी рдкрд╕ंрджीрджा рднाрд╖ा рдкाрдпрдерди рд╣ै। рдЪूंрдХि рдпрд╣ рд╡िрд╢ेрд╖рдЬ्рдЮрддा рд╡ैрдЬ्рдЮाрдиिрдХों рдФрд░ рд╕ॉрдл्рдЯрд╡ेрдпрд░ рдбेрд╡рд▓рдкрд░्рд╕ рдХे рд▓िрдП рддैрдпाрд░ рд╣ै, рдЬो рдбेрдЯा рд╡िрдЬ्рдЮाрди рдоें рд╢ाрдЦा рдХрд░рдиा рдЪाрд╣рддे рд╣ैं, рдЖрдкрдХो рдк्рд░ोрдЧ्рд░ाрдоिंрдЧ рдЕрдиुрднрд╡ рдФрд░ рдЧрдгिрдд рдХौрд╢рд▓ рдХी рдЙрдо्рдоीрдж рд╣ै।
рдкाрдпрдерди рд╕्рдкेрд╢рд▓ाрдЗрдЬेрд╢рди рдХे рд╕ाрде рдПрдк्рд▓ाрдЗрдб рдбेрдЯा рд╕ाрдЗंрд╕ - рдпрд╣ рд╡िрд╢ेрд╖рдЬ्рдЮрддा рдоुрдЦ्рдп рд░ूрдк рд╕े рдкाрдпрдерди рдХे рдоाрдз्рдпрдо рд╕े рдорд╢ीрди рд╕ीрдЦрдиे рдХे рд╕ाрде рдХाрдо рдХрд░рдиे рдкрд░ рдХेंрдж्рд░िрдд рд╣ै, рдФрд░ рдпрд╣ рдЖрдорддौрд░ рдкрд░ рдЗрд╕्рддेрдоाрд▓ рдХिрдП рдЬाрдиे рд╡ाрд▓े рдПрдордПрд▓ рдЯूрд▓рдХिрдЯ्рд╕, рдЬैрд╕े рдХि рдоेрдЯрдк्рд▓ोрдЯрд▓िрдм, рдкांрдбा, рдПрдирдПрд▓рдЯीрдХे, рд╡िрдЬ्рдЮाрди-рдХिрдЯ-рд▓рд░्рди рдФрд░ рдиेрдЯрд╡рд░्рдХ рдХा рдПрдХ рдордЬрдмूрдд рдкрд░िрдЪрдп рджेрддा рд╣ै।
R рд╡िрд╢ेрд╖рдЬ्рдЮрддा рдХे рд╕ाрде рдЖंрдХрдб़े - рдЖрдк рд╡िрд╢्рд▓ेрд╖рдг рд░िрдкोрд░्рдЯ рдмрдиाрдиे рдХे рд▓िрдП R рдоें рд╕ांрдЦ्рдпिрдХीрдп рдиिрд╖्рдХрд░्рд╖, рдоॉрдбрд▓िंрдЧ рдФрд░ рд╡िрдЬ़ुрдЕрд▓ाрдЗрдЬ़ेрд╢рди рддрдХрдиीрдХों рдХा рдЙрдкрдпोрдЧ рдХрд░рдиा рд╕ीрдЦेंрдЧे। рдЕंрдд рддрдХ, рдЖрдкрдХे рдкाрд╕ рдЕрдкрдиे рдирдП рдбेрдЯा рдПрдиाрд▓िрдЯिрдХ्рд╕ рдХौрд╢рд▓ рджिрдЦाрдиे рдХे рд▓िрдП рдХुрдЫ рдкोрд░्рдЯрдлोрд▓िрдпो рдк्рд░ोрдЬेрдХ्рдЯ рд╣ोंрдЧे।
рдЕрдиुрд╢ंрд╕िрдд рд╕िрд╕्рдЯрдо рд╡िрд╢ेрд╖рдЬ्рдЮрддा - рдорд╢ीрди рд╕ीрдЦрдиे рдХी рд╡िрд╢ेрд╖рдЬ्рдЮрддा рдоें рдПрдХ рдХोрд░्рд╕ рд╣ुрдЖ рдХрд░рддा рдеा, рд▓ेрдХिрди рдЕрдм рдпрд╣ рдЕрдкрдиी рдоाрд╕्рдЯрд░ рд╢्рд░ृंрдЦрд▓ा рдоें рдЯूрдЯ рдЧрдпा рд╣ै। рдЖрдк рджोрдиों рдХो рд╕рдмрд╕े рд▓ोрдХрдк्рд░िрдп рд╕िрдлाрд░िрд╢ рдХрд░рдиे рд╡ाрд▓े рдПрд▓्рдЧोрд░िрджрдо рдХो рд▓ाрдЧू рдХрд░рдиे рдХे рдмाрд░े рдоें рдЬाрдирдиे рдЬा рд░рд╣े рд╣ैं рдФрд░ рдпрд╣ рднी рддрдп рдХрд░рдиा рд╣ै рдХि рдХिрд╕ рдПрд▓्рдЧोрд░िрджрдо рдХा рдЙрдкрдпोрдЧ рдХрд░рддे рд╕рдордп рдпрд╣ рджेрдЦрдиा рд╣ै рдХि рдХ्рдпा рдоैрдЯ्рд░िрдХ्рд╕ рд╣ै।
рдЬीрдиोрдоिрдХ рдбेрдЯा рд╕ाрдЗंрд╕ рд╕्рдкेрд╢рд▓ाрдЗрдЬेрд╢рди - рдпрд╣ рдХोрд░्рд╕ рдкाрдпрдерди рдФрд░ рдЖрд░ рджोрдиों рдХा рдЙрдкрдпोрдЧ рдХрд░рддा рд╣ै рдФрд░ рдкाрда्рдпрдХ्рд░рдо рдХे рдЕंрдд рддрдХ, рдЖрдк рд╕рдордЭ рдЬाрдПंрдЧे рдХि рдбेрдЯा рдХा рд╡िрд╢्рд▓ेрд╖рдг рдФрд░ рд╡्рдпाрдЦ्рдпा рдХैрд╕े рдХрд░ें।
рдмिрдЧ рдбेрдЯा рд╕्рдкेрд╢рд▓ाрдЗрдЬ़ेрд╢рди - рдмिрдЧ рдбेрдЯा рд╕्рдкेрд╢рд▓ाрдЗрдЬ़ेрд╢рди рдЖрдкрдХो рджिрдЦाрдПрдЧा рдХि рдХैрд╕े рд╕рдмрд╕े рд╣ाрд▓ рдХे рдмрдб़े рдбेрдЯा рддрдХрдиीрдХ, рдЬैрд╕े рдХि Hadoop рдФрд░ Spark рдХा рдЙрдкрдпोрдЧ рдХрд░рдХे рдмрдб़ी рдоाрдд्рд░ा рдоें рдЬрдЯिрд▓ рдбेрдЯा рдХो рд╕ंрд╕ाрдзिрдд, рд╡िрд╢्рд▓ेрд╖рдг рдФрд░ рд╡्рдпाрдЦ्рдпा рдХрд░рдиा рд╣ै।
рдбेрдЯा рдоाрдЗрдиिंрдЧ рд╕्рдкेрд╢рд▓ाрдЗрдЬ़ेрд╢рди - рдЗрд╕ рдХोрд░्рд╕ рдоें, рдЖрдк рд╕ीрдЦेंрдЧे рдХि рдбेрдЯा рдкैрдЯрд░्рди рдХो рдХैрд╕े рдкрд╣рдЪाрдиा рдЬाрдП, рдбेрдЯा рдХो рдкुрдиः рдк्рд░ाрдк्рдд рдФрд░ рдХрд▓्рдкрдиा рдХрд░ें рдФрд░ рд╕ंрд░рдЪिрдд рдФрд░ рдЕрд╕ंрд░рдЪिрдд рдбेрдЯा рдкрд░ рдПрд▓्рдЧोрд░िрджрдо рд▓ाрдЧू рдХрд░ें।
рдбेрдЯा рдПрдиाрд▓िрд╕िрд╕ рдФрд░ рдЗंрдЯрд░рдк्рд░िрдЯेрд╢рди рд╕्рдкेрд╢рд▓ाрдЗрдЬ़ेрд╢рди - рдпрд╣ рд╕्рдкेрд╢рд▓ाрдЗрдЬ़ेрд╢рди рдбेрдЯा рдХा рдЙрдкрдпोрдЧ рдХрд░рдиे рд╡ाрд▓े рдбेрдЯा рдХे рдмाрд░े рдоें рд╕рд╡ाрд▓ों рдХे рдЬрд╡ाрдм рджेрдиे рдоें рд╕рдХ्рд╖рдо рд╣ोрдиे рд╕े рд▓рдЧрднрдЧ рдХुрдЫ рднी рдирд╣ीं рдЬाрдирдиे рд╕े рдкूрд░ा рдбेрдЯा рд╢ुрд░ुрдЖрддी рд▓ाрдиे рдкрд░ рдХेंрдж्рд░िрдд рд╣ै




















